基于PMCT影像的深度学习模型：利用卷积神经网络实现髋骨与腰椎的精准年龄估算

来自多机构的研究团队针对尸体身份鉴定中的年龄估算难题，开发了基于视觉几何组16网络(VGG-16)的卷积神经网络(CNN)模型。通过1,229例死后计算机断层扫描(PMCT)影像的髋骨与腰椎三维重建，结合迁移学习策略和梯度加权类激活映射(Grad-CAM)技术，实现了平均绝对误差(MAE)6.44-7.27岁、相关系数0.84-0.91的高精度年龄预测，为法医人类学提供了新型智能化分析工具。

　　

在法医人类学领域，精确估算骨骼遗骸年龄是破解"无名尸"身份谜题的关键钥匙。这项突破性研究将人工智能的触角伸向死后计算机断层扫描(PMCT)影像，专门锁定髋骨(coxal bone)和腰椎(lumbar vertebrae)这两处蕴含丰富年龄密码的解剖结构。

科研团队收集了1,229例样本的三维体积渲染影像，祭出深度学习界的明星架构——视觉几何组16网络(VGG-16)作为基础框架。通过迁移学习(transfer learning)这一"站在巨人肩膀上"的策略，让模型快速掌握骨骼老化特征。验证环节采用10折交叉验证(10-fold cross-validation)的严谨方案，最终交出的成绩单令人惊艳：平均绝对误差(MAE)最低压至6.44岁，与真实年龄的相关系数最高飙到0.91。

更有趣的是，梯度加权类激活映射(Grad-CAM)技术像高亮笔般标出了机器的"学习焦点"——椎体表面那些岁月雕刻的痕迹、髋骨崎岖不平的衰老密码，都被神经网络敏锐捕捉。这套智能系统或将重塑法医实验室的工作流程，让沉默的骨骼开口诉说逝者的生命年轮。